Análise da Rede Municipal de Ensino do Recife
Universidade Federal Rural de Pernambuco
José Rafael de Santana
Introdução
Problema
Em 2020, a Rede Municipal de Ensino do Recife conta com o total de 311 escolas, sendo 81 creches, atendendo aproximadamente 93 mil estudantes. A Rede Municipal fornece turmas de Educação Infantil, Ensino Fundamental e EJA (Educação de Jovens e Adultos).
A constituição, através do artigo 205, informa que o ensino é um direito do cidadão e dever do estado, que deve fornecer um ensino de qualidade, gratuito e inclusivo. Para um ensino ser de qualidade a escola deve contar com uma estrutura física que comporte os alunos com segurança e com equipamentos que facilitem a atividade do ensino, como laboratórios e equipamentos de informática. Para o ensino ser inclusivo, a escola deve educar todos os estudantes em um mesmo contexto escolar, onde as diferenças não são vistas como problemas, mas como diversidade.
Através deste trabalho, irei apresentar uma visão geral da situação da Rede Municipal de Ensino do Recife no ano de 2015 e extrair informações que nos ajudem a entender a situação real da educação municipal e se o estado está cumprindo com suas obrigações previstas na constituição.
Abordagem
Através dos dados brutos fornecidos pela Prefeitura do Recife, iremos realizar o processamento e análise exploratória dos dados afim de conseguirmos extrair informações que sejam relevantes ao nosso trabalho e que nos mostrem possíveis falhas presentes na Rede Municipal de Ensino. Para isso, iremos seguir o Data Science Lifecycle apresentado no gráfico abaixo:
Pacotes Requeridos
A tabela abaixo apresenta todos os pacotes utilizados nesse projeto.
| Pacotes | Motivo |
|---|---|
| dplyr | Utilizado para realizar a manipulação de DataFrames |
| formattable | Utilizado para geração e formatação de tabelas |
| kableExtra | Utilizado para manipulação de estilos de tabelas |
Para a correta execução do projeto, os pacotes devem ser instalados previamente e devidamente importados.
install.packages("dplyr")
install.packages("formattable")
install.packages("kableExtra")
library(dplyr)
library(formattable)
library(kableExtra)Preparação dos dados
Introdução
Os dados utilizados nesse trabalho foram disponibilizados pela Prefeitura do Recife através do Dados Recife, portal de dados abertos do município. O dataset Censo Escolar 2015 obteve sua última atualização em 30 de dezembro de 2016. Para esse trabalho iremos utilizar duas tabelas disponibilizadas pelo dataset: tabelas de alunos e escolas.
Leitura dos datasets
Os arquivos disponibilizados pela Prefeitura do Recife estã no formato .csv e foi definido o uso do separador ‘;’.
escolasDataset <- read.csv(
'http://dados.recife.pe.gov.br/dataset/e9c0d2a3-9f5d-4a4e-815d-66c2e736c7e5/resource/bb8b70d4-4204-40d3-bc77-409a1651b8b9/download/escolas2015.csv',
header = T,
sep = ';'
)
alunosDataset <- read.csv(
'http://dados.recife.pe.gov.br/dataset/e9c0d2a3-9f5d-4a4e-815d-66c2e736c7e5/resource/a8b9c85b-485d-4ce6-9c41-bc274ee64c58/download/alunos2015.csv',
header = T,
sep = ';'
)Descrição dos dados
Escolas
A tabela bruta de escolas nos fornece 317 registros e são divididos em 119 colunas. Porém nem todas essas colunas serão utilizadas. Para isso, iremos realizar um processo de limpeza e reorganização dos dados.
# Selecionamos apenas as colunas que sejam importantes para nosso estudo
escolasDataset <- escolasDataset %>%
select('codigo_escola', 'nome', 'bairro', 'agua_inexistente', 'lixo_coleta_periodica', 'lixo_queima',
'lixo_recicla', 'dependencia_laboratorio_informatica', 'dependencia_laboratorio_ciencias',
'dependencia_biblioteca', 'dependencia_banheiro_deficiencia', 'dependencia_vias_adequadas_deficiencia',
'dependencia_refeitorio', 'quantidade_salas_existentes', 'banda_larga', 'total_funcionarios',
'modalidade_regular', 'modalidade_especial', 'modalidade_eja')
# As colunas descritas abaixo são do tipo numerico e para nós não é interessante manter os NAs
# para isso iremos substituir os NAs por 0.
colunasEscolaNa <- c("dependencia_refeitorio", "quantidade_salas_existentes","banda_larga",
"total_funcionarios", "modalidade_regular", "modalidade_especial",
"modalidade_eja")
escolasDataset[colunasEscolaNa][is.na(escolasDataset[colunasEscolaNa])] <- 0
## Para facilitar, iremos converter essas colunas de numérico para lógica
colunasEscolaLogica <- c("agua_inexistente","lixo_coleta_periodica", "lixo_queima", "lixo_recicla",
"dependencia_laboratorio_informatica", "dependencia_laboratorio_ciencias",
"dependencia_biblioteca", "dependencia_banheiro_deficiencia",
"dependencia_vias_adequadas_deficiencia", "dependencia_refeitorio", "banda_larga",
"modalidade_regular", "modalidade_especial", "modalidade_eja")
escolasDataset[colunasEscolaLogica] <- sapply(escolasDataset[colunasEscolaLogica],as.logical)Com isso, obtemos um novo dataset com 317 registros e 19 colunas. Abaixo podemos ver um exemplo de um registro e uma tabela descrevendo cada atributo de um registro.
| codigo_escola | nome | bairro | agua_inexistente | lixo_coleta_periodica | lixo_queima | lixo_recicla | dependencia_laboratorio_informatica | dependencia_laboratorio_ciencias | dependencia_biblioteca | dependencia_banheiro_deficiencia | dependencia_vias_adequadas_deficiencia | dependencia_refeitorio | quantidade_salas_existentes | banda_larga | total_funcionarios | modalidade_regular | modalidade_especial | modalidade_eja |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 385 | ESCOLA MUNICIPAL IRMA TEREZINHA BATISTA - ANEXO I | CAMPINA DO BARRETO | FALSE | TRUE | FALSE | FALSE | FALSE | FALSE | FALSE | FALSE | FALSE | FALSE | 4 | FALSE | 13 | TRUE | FALSE | FALSE |
| Coluna | Descricao |
|---|---|
| codigo_escola | Identificador da escola |
| nome | Nome da escola |
| bairro | Bairro onde a escola está localizada |
| agua_inexistente | Não há água na escola? |
| lixo_coleta_periodica | Existe coleta periódica do lixo? |
| lixo_queima | O lixo é queimado? |
| lixo_recicla | O lixo é reciclado? |
| dependencia_laboratorio_informatica | A escola conta com laboratórios de informática? |
| dependencia_laboratorio_ciencias | A escola conta com laboratórios de ciências? |
| dependencia_biblioteca | A escola tem biblioteca? |
| dependencia_banheiro_deficiencia | A escola tem banheiros adaptados para deficientes? |
| dependencia_vias_adequadas_deficiencia | A escola tem vias adaptadas para deficientes? |
| dependencia_refeitorio | A escola conta com refeitório? |
| quantidade_salas_existentes | Quantidade de salas |
| banda_larga | Há conexão com a banda larga? |
| total_funcionarios | Quantos funcionários há naquela escola? |
| modalidade_regular | A escola conta com a modalidade de ensino regular? |
| modalidade_especial | A escola conta com a modalidade de ensino especial? |
| modalidade_eja | A escola conta com a modalidade de ensino EJA? |
Alunos
A tabela bruta de alunos nos fornece 88785 registros e são divididos em 40 colunas. Porém, assim como em escolas, nem todas essas colunas serão utilizadas. Então vamos novamente realizar a limpeza e reorganização do dataset.
# Selecionamos as informações que sejam interessantes ao nosso trabalho
alunosDataset <- alunosDataset %>%
select('codigo_escola', 'data_nascimento', 'sexo', 'raca', 'deficiencia')
# Convertemos o Sexo e Raça para um fator
alunosDataset$sexo <- as.factor(alunosDataset$sexo)
alunosDataset$raca <- as.factor(alunosDataset$raca)
# Para facilitar iremos renomear os levels dos fatores para valores de fácil entendimento.
# O significado de cada código está disponível em: http://dados.recife.pe.gov.br/dataset/censo-escolar-2015/resource/19c6ea7e-1589-4de1-8e99-323fb196d914?inner_span=True
# Sexo: 1- Feminino 2- Masculino
# Raça: 0- Não Declarada, 1- Branca, 2- Preta, 3- Parda, 4- Amarela, 5- Indígena
levels(alunosDataset$sexo)[levels(alunosDataset$sexo)==1] <- "Feminino"
levels(alunosDataset$sexo)[levels(alunosDataset$sexo)==2] <- "Masculino"
levels(alunosDataset$raca)[levels(alunosDataset$raca)==0] <- "N. Decla."
levels(alunosDataset$raca)[levels(alunosDataset$raca)==1] <- "Branca"
levels(alunosDataset$raca)[levels(alunosDataset$raca)==2] <- "Preta"
levels(alunosDataset$raca)[levels(alunosDataset$raca)==3] <- "Parda"
levels(alunosDataset$raca)[levels(alunosDataset$raca)==4] <- "Amarela"
levels(alunosDataset$raca)[levels(alunosDataset$raca)==5] <- "Indígena"
# Converte a coluna de deficiência para uma coluna lógica
alunosDataset$deficiencia <- as.logical(alunosDataset$deficiencia)
# Função para calcular a idade baseada na data de nascimento
getAgeFromDate <- function (birthdate) {
floor(as.numeric(difftime(Sys.Date(),birthdate, units = "weeks"))/52.25)
}
# Converte a data de nascimento em Date
alunosDataset <- alunosDataset %>%
mutate(data_nascimento = as.Date(as.character(alunosDataset$data_nascimento)))
# Cria a coluna idade utilizando nossa função getAgeFromDate
alunosDataset <- alunosDataset %>%
mutate(idade = getAgeFromDate(alunosDataset$data_nascimento))Com isso, temos um dataset com 88785 registros de alunos e com 6 colunas. A seguir temos uma demonstração dos dados finais e uma tabela com a descrição de cada coluna.
| codigo_escola | data_nascimento | sexo | raca | deficiencia | idade |
|---|---|---|---|---|---|
| 385 | 2010-11-17 | Feminino | Branca | FALSE | 9 |
| Coluna | Descricao |
|---|---|
| codigo_escola | Identificador da escola |
| data_nascimento | Data de nascimento do aluno |
| sexo | Sexo do aluno |
| raca | Raça do aluno |
| deficiencia | O aluno tem alguma deficiência? |
| idade | Idade do aluno |
Análise exploratória
Escolas por Bairro
A cidade do Recife conta com 317 escolas públicas municipais espalhadas por 77 bairros da cidade. Logo abaixo é exibida uma tabela com a quantidade de escolas por bairros. Essa tabela está ordenada de forma decrescente e as cores informam se o bairro está com a quantidade maior (verde), na média (amarelo) ou abaixo (vermelho) da média geral de escolas por bairro.
| Bairro | Quantidade |
|---|---|
| IBURA | 33 |
| IMBIRIBEIRA | 14 |
| NOVA DESCOBERTA | 13 |
| JORDAO | 12 |
| SANTO AMARO | 11 |
| VARZEA | 11 |
| IPUTINGA | 10 |
| AGUA FRIA | 9 |
| VASCO DA GAMA | 9 |
| BOA VIAGEM | 8 |
| CASA AMARELA | 7 |
| CAMPO GRANDE | 6 |
| CORDEIRO | 6 |
| GUABIRABA | 6 |
| MACAXEIRA | 6 |
| SAN MARTIN | 6 |
| TORROES | 6 |
| AFOGADOS | 5 |
| AREIAS | 5 |
| BARRO | 5 |
| BRASILIA TEIMOSA | 5 |
| COHAB | 5 |
| ENGENHO DO MEIO | 5 |
| ESTANCIA | 5 |
| JARDIM SAO PAULO | 5 |
| PASSARINHO | 5 |
| TORRE | 5 |
| BOMBA DO HEMETERIO | 4 |
| DOIS UNIDOS | 4 |
| ILHA JOANA BEZERRA | 4 |
| MADALENA | 4 |
| PINA | 4 |
| ALTO JOSE DO PINHO | 3 |
| ALTO SANTA TEREZINHA | 3 |
| BEBERIBE | 3 |
| BREJO DA GUABIRABA | 3 |
| BREJO DE BEBERIBE | 3 |
| CAMPINA DO BARRETO | 3 |
| LINHA DO TIRO | 3 |
| PRADO | 3 |
| TEJIPIO | 3 |
| ALTO JOSE BONIFACIO | 2 |
| CACOTE | 2 |
| CAJUEIRO | 2 |
| COELHOS | 2 |
| ESPINHEIRO | 2 |
| FUNDAO | 2 |
| IPSEP | 2 |
| MORRO DA CONCEICAO | 2 |
| RECIFE | 2 |
| SANCHO | 2 |
| TOTO | 2 |
| ALTO DO MANDU | 1 |
| APIPUCOS | 1 |
| ARRUDA | 1 |
| BOA VISTA | 1 |
| BONGI | 1 |
| CABANGA | 1 |
| CASA FORTE | 1 |
| CAXANGA | 1 |
| CIDADE UNIVERSITARIA | 1 |
| COQUEIRAL | 1 |
| CORREGO DO JENIPAPO | 1 |
| CURADO | 1 |
| DOIS IRMAOS | 1 |
| ENCRUZILHADA | 1 |
| ILHA DO LEITE | 1 |
| ILHA DO RETIRO | 1 |
| JAQUEIRA | 1 |
| MANGABEIRA | 1 |
| MANGUEIRA | 1 |
| MUSTARDINHA | 1 |
| PAISSANDU | 1 |
| SITIO DOS PINTOS | 1 |
| SOLEDADE | 1 |
| TAMARINEIRA | 1 |
| TORREAO | 1 |
Laboratórios
Sabemos que os laboratórios fazem parte da infraestrutura da escola, porém preferi criar uma seção exclusiva para eles devido sua importância no âmbito educacional. As aulas práticas em um laboratório de ciências são uma ótima ferramenta de aprendizado visto que desperta o interesse do aluno sobre o tema retratado nas aulas teóricas. É através dos laboratórios de informática que muitos alunos têm o primeiro contato com a informática e com a internet, transformando os laboratórios das escolas em um ambiente de inclusão digital. Esse contato pode ser através de aulas de informática básica ou até mesmo em aulas complementares sobre as matérias comuns da escola, com jogos educativos sobre matemática, química, português, entre outras.
O gráfico abaixo nos mostra que 168 escolas não tem laboratórios de informática ou de ciência. Esse número representa aproximadamente 53% do total de escolas.
Abaixo temos gráficos mais detalhados relacionados a quantidade de laboratórios em funcionamento na rede municipal. Podemos perceber que apenas 11 escolas tem laboratórios de ciências. Isso mostra que o sistema educacional do Recife segue um modelo ultrapassado de ensino e que dificulta o processo de adoção do modelo STEM por parte das escolas, modelo esse que está sendo adotado por escolas em todo o mundo.
Infraestrutura
A escola tem o papel de socializar e democratizar o acesso ao conhecimento, contribuindo para o funcionamento da sociedade. Para isso, as escolas devem oferecer uma estrutura que ajudem o aluno durante esse processo. Dois importantes equipamentos devem fazer parte da infraestrutura são a biblioteca e o refeitório. É através da biblioteca que muitos alunos terão incentivo e acesso à leitura, sendo um equipamento fundamental e de grande importância para a aprendizagem e aprimoramento a escrita. A falta de um refeitório não implica que a merenda escolar não está sendo distribuída, mas nos mostra que os alunos não têm conforto durante suas refeições.
Apenas 185 escolas tem bibliotecas, representando cerca de 58% do total de escolas públicas do Recife. De acordo com o Censo Escolar 2016, esse número é maior que a média nacional que é de 50,5%. Porém, a Lei 12.244 aprovada em maio de 2010, obriga que todas as escolas devem oferecer bibliotecas até maio de 2020. Os dados disponibilizados pela prefeitura é apenas do ano de 2015, impossibilitando saber o andamento da adoção da lei.
Apenas 150 escolas oferecem refeitório, representando cerca de 47% do total de escolas públicas municipais do Recife.
Acessibilidade
Toda pessoa com deficiência deve ter direito à igualdade de oportunidades. De acordo com a LDB (Lei de Diretrizes Básicas da Educação), isso deve começar ainda durante a escola e a partir do contato com práticas e metodologias que garantam a acessibilidade na escola. Para isso, a escola deve realizar adaptações para atender aos alunos com necessidades especiais. Entretanto, apenas 130 escolas oferecem banheiros adaptados e apenas 74 escolas oferecem vias adaptadas para deficientes físicos. A rede municipal de ensino do Recife conta ao todo com 3364 alunos com algum tipo de deficiência.
Abaixo listamos o TOP 5 escolas com a maior quantidade de alunos deficientes matriculados.
| Nome da escola | Bairro | Quantidade |
|---|---|---|
| ESCOLA MUNICIPAL ROZEMAR DE MACEDO LIMA | CASA AMARELA | 113 |
| ESCOLA MUNICIPAL ENGENHO DO MEIO | ENGENHO DO MEIO | 71 |
| ESCOLA MUNICIPAL PADRE ANTONIO HENRIQUE | PAISSANDU | 64 |
| ESCOLA MUNICIPAL CASA DOS FERROVIARIOS | COQUEIRAL | 57 |
| ESCOLA MUNICIPAL SOCIOLOGO GILBERTO FREYRE | DOIS IRMAOS | 57 |
Alunos
Abaixo, temos uma visão geral dos alunos que frequentam as escolas municipais do Recife. Podemos perceber que a maior parte dos alunos se declaram como pardos e pouco mais da metade são do sexo feminino. E através do histograma, notamos que a média de idade dos alunos se concentra de 10 a 15 anos de idade.
Conclusão
Com base nos dados analisados, conseguimos extrair algumas informações importantes que nos permitem compreender a situação da educação pública no Recife e que servem como base para a realização de melhorias nas escolas da rede municipal.
Visão geral das escolas
Em geral, as escolas do Recife contam com poucos laboratórios de informática e de ciências, impedindo os professores de fugirem das cansativas e pesadas aulas teóricas. Em 2006, foi proposto no Congresso Nacional um projeto que obrigaria as escolas a construírem laboratórios de ciências e de informática, que seriam construídos com recursos do orçamento da educação. O Projeto tramitou até 2011, quando foi arquivado.
Outro grande problema presente nas escolas é a falta de bibliotecas. Apesar da média da quantidade de escolas com bibliotecas ser maior que a média nacional, ainda está muito longe de atingir o resultado esperado pela Lei 12.244 onde obriga todas as escolas a implantarem uma biblioteca até o final do mês de maio de 2020.
É possível notar que poucas escolas contam com refeitórios. É importante frisar novamente que isso não implica que a merenda escolar não está sendo distribuída, mas mostra que os alunos não contam com um mínimo conforto durante suas refeições.
O ponto mais preocupante é que as escolas não estão prontas para atender estudantes com alguma deficiência física. A falta de banheiros e vias adaptadas para deficientes muitas vezes obrigam os pais a matricularem seus filhos em escolas muito distantes de onde moram, causando uma série de dificuldades como tempo de deslocamento e dependência do transporte público.
Persona do aluno
Para melhor entendimento, foi construido uma persona para representar um aluno da rede pública de ensino.
- É do sexo feminino
- Tem entre 10 a 15 anos
- Está no ensino fundamental
- Se declara parda
- Mora em algum bairro da zona sul do Recife
Limitações
Esse trabalho utilizou dados disponibilizados pela Prefeitura do Recife através do seu portal de dados abertos. Porém, a Prefeitura apenas disponibilizou dados do ano de 2015 nos impedindo de realizar uma comparação com outros anos e afirmar se a rede municipal de ensino está em processo de melhoria ou está sucateada. Também foi possível notar que algumas escolas não foram inseridas no dataset, causando inconsistências nos dados.
Bibliografia
PREFEITURA DO RECIFE. Matrículas da rede municipal do Recife para novatos começam nesta segunda (9). Recife, 6 dez. 2019. Disponível em: http://www2.recife.pe.gov.br/node/290453. Acesso em: 21 jul. 2019.
NOVA ESCOLA. Os desafios da Educação inclusiva: foco nas redes de apoio. 1 fev. 2013. Disponível em: https://novaescola.org.br/conteudo/554/os-desafios-da-educacao-inclusiva-foco-nas-redes-de-apoio. Acesso em: 21 jul. 2019.
PREFEITURA DO RECIFE. Dicionário de Dados Censo Escolar 2015. 30 dez. 2016. Disponível em: http://dados.recife.pe.gov.br/dataset/censo-escolar-2015/resource/19c6ea7e-1589-4de1-8e99-323fb196d914. Acesso em: 22 jul. 2019.
PORVIR.ORG. STEM: o movimento, as críticas e o que está em jogo. 30 dez. 2016. Disponível em: https://porvir.org/stem-o-movimento-as-criticas-e-o-que-esta-em-jogo/. Acesso em: 23 abr. 2018.
MINISTÉRIO PÚBLICO DO PARANÁ. Lei federal obriga todas as escolas a terem bibliotecas até maio de 2020. 02 mai. 2019. Disponível em: http://mppr.mp.br/2019/05/21451,10/Lei-federal-obriga-todas-as-escolas-a-terem-bibliotecas-ate-maio-de-2020.html. Acesso em: 23 abr. 2018.
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS. Censo Escola da Educação Básica 2016 - Notas Estatísticas. fev. 2017. Disponível em: http://download.inep.gov.br/educacao_basica/censo_escolar/notas_estatisticas/2017/notas_estatisticas_censo_escolar_da_educacao_basica_2016.pdf. Acesso em: 23 abr. 2018.
EDUCAÇÃO INFANTIL. Como aplicar a acessibilidade na escola e qual a importância disso?. 19 jun. 2018. Disponível em: https://educacaoinfantil.aix.com.br/acessibilidade-na-escola/. Acesso em: 24 abr. 2018.